1.概述

角點是影象很重要的特徵，對影象圖形的理解和分析有很重要的作用，在保留影象圖形重要特徵的同時，可以有效減少資訊的資料量，使資訊的含量很高，有效提高計算速度，有利於影象的可靠匹配，使得實時處理成為可能。在物體識別、影象匹配、視覺跟蹤和三維重建等方面有很重要的應用。
角點可以認為是視窗向任意方向的移動都導致影象灰度的明顯變化。從影象分析的角度來定義角點可以有一下兩種：
1.角點可以是兩個邊緣的角點
2.角點是鄰域內具有兩個主方向的特徵點
前者往往需要對影象邊緣進行編碼，這在很大程度上依賴於影象的分割與邊緣提取，具有相當大的難度和計算量，且一旦待檢測目標局部發生變化，很可能導致操作的失敗。
角點檢測演算法可以歸納為三類：基於灰度影象的角點檢測、基於二值影象的角點檢測、基於輪廓曲線的角點檢測。基於灰度影象的檢測又可細分為基於梯度、基於模板、基於模板梯度組合三類方法，其中基於模板的方法主要考慮畫素鄰域點的灰度變化，即影象亮度的變化，將與鄰點亮度對比足夠大的點定義為角點。常見的基於模板的角點檢測演算法有Kitchen-Rosenfeld角點檢測,Harris角點檢測演算法，KLT角點檢測和SUSAN角點檢測。本文主要介紹Harris角點檢測。

2.Harris角點檢測原理

Harris角點檢測原理推導靠一篇部落格講清楚不太現實，這裡介紹一個比較直觀的概念而不是數學推導。
Harris角點檢測是一種直接基於灰度影象的角點提取演算法，穩定性高，尤其對L型角點檢測精度高。
人眼對角點的識別通常是在一個區域性的小區域或小視窗完成的。如下圖所示：

在各個方向上移動這個特徵的小視窗，視窗內區域的灰度發生了較大的變化，那麼久認為在視窗內遇到了角點，如果這個特定的視窗在影象各個方向上移動時，視窗內影象的灰度發生了很大變化，而在另一些方向上沒有發生變化，那麼視窗內的影象可能就是一條直線的線段。

3.opencv API

opencv提供cornerHarris()提取Harris角點。cornerHarris函式對每一個畫素在blockSize x blockSize鄰域內，計算2 x 2梯度的協方差矩陣M(x,y),，接著它計算如下公式

void cv::cornerHarris   (   InputArray  src,
                            OutputArray     dst,
                            int     blockSize,
                            int     ksize,
                            double  k,
                            int     borderType = BORDER_DEFAULT 
                        )   
 

src:輸入影象，Mat型別即可，必須為單通道8-bit或浮點型影象
dst:角點檢測的輸出結果，與原影象有相同的尺寸和型別
blockSize:鄰域大小，可以檢視cornerEigenValsAndVecs()得到更多關於blockSize的資訊
ksize:表示Sobel()運算元孔徑大小
**k:**Harris引數，用於判斷是否為角點
borderType:前面已多次介紹，為影象邊界模式，有預設值BORDER_DEFAULT

4.示例程式碼

#include <iostream>
#include <stdlib.h>
#include <opencv2\core\core.hpp>
#include <opencv2\highgui\highgui.hpp>
#include <opencv2\imgproc\imgproc.hpp>

using namespace std;
using namespace cv;

//定義全域性變數
Mat srcImage, grayImage;
int thresh = 100;
const int threshMaxValue = 255;

//宣告回撥函式
void cornerHarris_detect(int, void*);

int main()
{
    srcImage = imread("harris.jpg");

    //判斷檔案是否載入成功
    if (srcImage.empty())
    {
        cout << "影象載入失敗！";
        return -1;
    }
    else
        cout << "影象載入成功..." << endl << endl;

    cvtColor(srcImage, grayImage, COLOR_BGR2GRAY);
    namedWindow("grayImage", WINDOW_AUTOSIZE);
    imshow("grayImage", grayImage);

    createTrackbar("Threshold:", "grayImage", &thresh, threshMaxValue, cornerHarris_detect);
    cornerHarris_detect(thresh, 0);

    waitKey(0);

    return 0;
}

void cornerHarris_detect(int, void*)
{
    Mat dstImage, dst_norm_image, dst_norm_scaled;
    dstImage = Mat::zeros(srcImage.size(), CV_32FC1);

    //檢測器引數設定
    int blockSize = 2;          //鄰域尺寸
    int apertureSize = 3;       //Sobel運算元孔徑
    double k = 0.04;            //Harris引數

    //角點檢測
    cornerHarris(grayImage, dstImage, blockSize, apertureSize, k, BORDER_DEFAULT);

    normalize(dstImage, dst_norm_image, 0, 255, NORM_MINMAX, CV_32FC1, Mat());
    convertScaleAbs(dst_norm_image, dst_norm_scaled);   //強歸一化後的影象線性變換為8位無符號整型

    //繪製角點
    for (int j = 0; j < dst_norm_image.rows; j++)
    {
        for (int i = 0; i < dst_norm_image.cols; i++)
        {
            if ((int)dst_norm_image.at<float>(j,i)>thresh)
            {
                circle(dst_norm_scaled, Point(i, j), 5, Scalar(0), 2, 8, 0);
                circle(grayImage, Point(i, j), 5, Scalar(0, 0, 255), 2, 8, 0);
            }
        }
    }
    namedWindow("cornerHarris", WINDOW_AUTOSIZE);
    imshow("cornerHarris", dst_norm_scaled);
    namedWindow("corner_grayImage", WINDOW_AUTOSIZE);
    imshow("corner_grayImage", grayImage);
}

執行結果

5.參考文獻